Oplossingsideeën
Dit artikel is een oplossingsidee. Als u wilt dat we de inhoud uitbreiden met meer informatie, zoals mogelijke use cases, alternatieve services, implementatieoverwegingen of prijsrichtlijnen, laat het ons dan weten door GitHub-feedback te geven.
In dit artikel wordt een magazijnbeheerscenario beschreven dat omgevingsomstandigheden bewaakt via de integratie van sensorgegevens en openbare gegevenssets, verwerkt met ML om voorspellingen te genereren. De inzichten worden vervolgens gebruikt om de veiligheid van mensen te waarborgen en supply chain-activiteiten te optimaliseren.
Architectuur
Een Visio-bestand van deze architectuur downloaden.
Gegevensstroom
Sensoren in de magazijnfaciliteit zijn verbonden en verzenden gegevens naar een LoRa-gateway (Long Range).
LoRa-gateway pusht gegevens naar de cloud met behulp van mobiele connectiviteit.
myDevices is een plug-and-play-oplossing op basis van Software as a Service (SaaS). Het maakt gebruik van apparaten en gateways die automatisch worden ingericht en gekoppeld aan de bijbehorende klant.
Apparaatgegevens worden verzonden naar Azure IoT Central. Klanten gebruiken de oplossing voor het beheren en bewaken van de apparaten.
Modellering van de toeleveringsketen en magazijnfaciliteiten met behulp van Azure Digital Twins. Dit is een live uitvoeromgeving waarin toepassingen gegevens kunnen opnemen om inzicht te krijgen in de status van de toeleveringsketen. Digital Twins integreert systeemeigen met Azure Event Hub, waarmee andere toepassingen communiceren om gegevens op te halen uit de tweeling.
Tijdelijke en ruimtelijke gegevens die door ML-modellen zijn vereist, worden verkregen uit de externe gegevensbronnen.
Sleutelgegevens worden opgeslagen in Azure-gegevensoplossingen. Blob Storage wordt gebruikt voor ML-trainingsgegevens. Azure Cosmos DB wordt gebruikt voor gescoorde gegevens en sleutelprestatie-indexen.
Telemetriegegevens worden opgenomen vanuit IoT Central via Event Hub om ervoor te zorgen dat de gegevensopname en het verbruik worden ontkoppeld. Azure Functions wordt gebruikt om externe gegevensbronnen en telemetriegegevens te combineren en deze gegevensset vervolgens te analyseren op afwijkingen. De gegevens worden weergegeven via Digital Twins.
Azure Databricks voert gegevenstransformaties uit die vereist zijn voor het trainen van de ML-modellen.
Wildfire-voorspellingsmodellen worden getraind met behulp van Azure Machine Learning door gebruik te maken van historische gegevens, realtime gegevens en micro-weersgegevens.
Routeringsupdates worden geleverd door de Bing Kaarten Vrachtwagenrouterings-API.
Toepassingen kunnen rechtstreeks query's uitvoeren op Digital Twins om relevante gegevens van het model te verkrijgen.
Onderdelen
Azure IoT Central wordt gebruikt als het beheerde IoT-platform. Het biedt beveiliging, schaalbaarheid en beschikbaarheid als onderdeel van de service, zodat klanten zich kunnen richten op bedrijfsvereisten. Gebruikers kunnen integreren met zakelijke onderdelen, zoals Power Apps en Power BI, en meldingen maken via de functie voor gegevensexport in IoT Central.
Azure Storage wordt gebruikt voor het opslaan van apparaatgegevens in de cloud op een veilige en schaalbare manier die ook rendabel is. De opgeslagen gegevens worden gebruikt voor het trainen van de ML-modellen.
Azure Cosmos DB wordt gebruikt voor het opslaan van KPI's (Application Key Performance Indicators) en modeluitvoer. Azure Cosmos DB is een volledig beheerde NoSQL-databaseservice voor moderne toepassingsontwikkeling. Het biedt snelle transacties en kan de service eenvoudig inschakelen voor wereldwijde distributie.
Azure Databricks is een platform voor gegevensanalyse dat is geoptimaliseerd voor het Microsoft Azure-cloudservicesplatform. Deze wordt gebruikt voor het transformeren, bewerken en normaliseren van gegevens, zodat deze correct kunnen worden gebruikt door de machine learning-pijplijn.
Azure Machine Learning wordt gebruikt om voorspellingsmodellen voor wildfire te maken. De modellen bieden de intelligentie die nodig is om het risico van een wildvuur te beoordelen. Invoer van meerdere gegevensbronnen is vereist voor het trainen van het model voor nauwkeurigheid. Deze bronnen kunnen satellietbeelden, historische gegevens, lokale bodemomstandigheden en weergegevens omvatten. Op basis van het geprediceerde wildfiregebied van het model kan de Supply Chain en Logistics Solution vrachtwagens omleiden.
Zie de Referentiearchitectuur van Azure IoT voor meer gedetailleerde discussies om de verschillende beschikbare implementatieopties te begrijpen en te verkennen.
Scenariodetails
Milieubewaking is een belangrijke activiteit geworden in de wereldwijde toeleveringsketen. Het biedt belangrijke signalen die helpen realtime beslissingen te nemen die van invloed kunnen zijn op leveranciers en logistiek. Luchtkwaliteit, temperatuur, wind, vochtigheid en kooldioxide (CO2) zijn enkele van de indicatoren die magazijnoperators interesse hebben in bewaking tijdens natuurrampen. Geavanceerdere scenario's kunnen bestaan uit de samenvoeging van realtime en historische gegevens van weerstations, sensoren voor luchtkwaliteit en andere bronnen. Machine learning-modellen (ML) kunnen vervolgens worden gebruikt om het effect van deze omstandigheden en hun mogelijke impact op supply chain-bewerkingen te voorspellen.
Potentiële gebruikscases
Deze oplossing is ideaal voor de milieu-, productie-, transport- en landbouwindustrie.
- Vlootbeheer: Deze oplossing kan worden gebruikt waar routes moeten worden geoptimaliseerd voor veiligheid op basis van de veranderende omstandigheden van omliggende gebieden.
- Landbouw: Het voorspellen van bosbranden die van invloed zijn op de veiligheid van werknemers en vee is van cruciaal belang. Door voldoende doorlooptijd voor gevaarmeldingen te bieden, kunnen mensen in het getroffen gebied naar de veiligheid evacueren. Boerderijen kunnen ook veegebieden uitrusten met geautomatiseerde poorten die in grote situaties kunnen ontgrendelen en openen, zodat dieren kunnen ontsnappen.
Uitdagingen waarmee we te maken hebben
De afgelopen jaren is er een aanzienlijke toename geweest van wildbranden , waardoor mensen en de wereldwijde toeleveringsketen steeds meer gevaar lopen. Met het aantal hectaren dat met het jaar is verbrand, is de tolerantie van de toeleveringsketen voor klimaatverandering voor veel leiders boven het hoofd.
In de Verenigde Staten is het jaarlijkse gemiddelde van het gebied dat wordt getroffen door bosbranden ongeveer 7.000.000 hectare. Dit gebied is meer dan het dubbele gemiddelde in de jaren '990. De situatie is nog alarmerender in andere landen/regio's. In Australië is er bijvoorbeeld een extra maand zomer in vergelijking met 50 jaar geleden en heeft langdurige droogte de brandomstandigheden verder verslechterd. Enorme bosbranden daar hebben bijna 10 keer meer economische schade veroorzaakt dan in de Verenigde Staten. Australische bosbranden kunnen invloed hebben op de wereldwijde voedselvoorziening, waaronder goederen zoals rundvlees, melk, wijn en tarwe.
Risico's voor bedrijven wereldwijd blijven elk jaar toenemen en toeleveringsketentolerantie tijdens natuurrampen is essentieel voor het handhaven van de goederenstroom wereldwijd. Het integreren van weersvoorspellingen en voorspellingen in de planning van supply chain-capaciteit kan operators helpen bij het aanpassen van productie- en verzendschema's. Dit systeem kan onderbrekingen en bijwerkingen minimaliseren.
Bedrijfsresultaten
Magazijnoperators en grote distributiecentra profiteren van een voorspellende manier om te bepalen of de bestaande logistieke infrastructuur zich in het pad van een grote brand bevindt. Een systeem voor vroegtijdige meldingen zou een verhoogde doorlooptijd bieden om preventieve maatregelen te nemen om faciliteiten en personeel te beschermen. Geautomatiseerde kennisgevingen van wijzigingen en pauzes in logistieke activiteiten zouden ook het omleiden van zendingen met minimale menselijke interventie mogelijk maken.
Vereisten
- Automatisering is essentieel. Er kan niet van worden uitgegaan dat operators en facility managers gegevens kunnen verzamelen over meerdere systemen om tijdig beslissingen te nemen.
- Magazijnen, distributiefaciliteiten en operationele managers moeten op meerdere manieren worden gewaarschuwd wanneer er onmiddellijk gevaar is, zodat de informatie tijdig wordt ontvangen. Voorbeelden hiervan zijn gegevensdashboard, e-mail en sms-bericht.
- Alleen wijzigingen in de gegevens moeten worden gerapporteerd.
- De levering en implementatie van de oplossing moeten eenvoudig zijn. Het moet worden geïnstalleerd zonder de noodzaak van een technicus, met behulp van plug en play-technologie.
- De oplossing moet laag onderhoud en rendabel zijn.
Patronen om uitdagingen aan te pakken
De onderstaande tabel bevat een overzicht van veelvoorkomende use cases en bijbehorende IoT-oplossingen. Elke use-case is een voorbeeld van hoe een IoT-procespatroon kan worden toegepast op praktijkscenario's.
| Gebruiksscenario | Oplossingen |
|---|---|
| Schakel supply chain logistiek rerouting en productieplanning in door de kans op onderbreking te voorspellen als gevolg van wildbranden in de buurt van de getroffen locatie. | In het ideale voorbeeld wilt u alle belangrijke elementen van de toeleveringsketen kunnen bewaken, zodat u een uitgebreider antwoord kunt bieden. myDevices heeft een catalogus met gecertificeerde plug- en play-apparaten die verbinding maken met een LoRa-netwerkgateway . De gateway verzendt gegevens naar de cloudtoepassing met behulp van een mobiele verbinding. LoRa-technologie is ideaal omdat het signaal diep in de gebouwen moet binnendringen. Sensoren voor CO2, temperatuur, vochtigheid, windrichting en luchtkwaliteit kunnen worden geïnstalleerd op relevante bouwlocaties, waaronder daken en opslagfaciliteiten. Sensoren kunnen ook worden geïnstalleerd in vrachtwagens voor het bijhouden van locaties om het omleiden te vergemakkelijken. |
| Identificeer wildvuuromstandigheden en begrijp de mate van gevaar voor een bepaalde locatie. | Wildfire-voorspellingsmodellen die zijn getraind met historische gegevens, micro-weersomstandigheden en lokale sensorgegevens kunnen helpen bij het beoordelen van het risico van een wildvuur. |
| Geautomatiseerde waarschuwingen voor evacuatie en inrichtingsrerouting | Zodra onveilige omstandigheden zijn gedetecteerd, kan de digitale dubbel van de faciliteit worden bijgewerkt om aan te geven dat deze niet meer online is. Zodra de update is uitgevoerd, kunnen andere distributiecentra binnen het netwerk het verkeer dienovereenkomstig omleiden, zodat on-site facility managers en magazijnoperators zich kunnen richten op de veiligheid van werknemers. In dit scenario wordt ML gebruikt om te voorspellen waar het wildfire zich verspreidt, met behulp van openbare realtime en historische gegevenssets, samen met micro-weersgegevens voor nauwkeurigere voorspellingen. Sensoren volgen de huidige brandomstandigheden en faciliteitalarmen zorgen voor evacuatie van werknemers. |
Overwegingen
Met deze overwegingen worden de pijlers van het Azure Well-Architected Framework geïmplementeerd. Dit is een set richtlijnen die kunnen worden gebruikt om de kwaliteit van een workload te verbeteren. Zie Microsoft Azure Well-Architected Framework voor meer informatie.
Connectiviteit
De on-site apparaten en sensoren van de oplossing moeten gegevens verzenden naar toepassingen in de cloud, maar betrouwbare internettoegang is mogelijk niet beschikbaar voor sommige locaties, zoals op het platteland.
Deze oplossing maakt gebruik van een LoRa-netwerk om mobiele connectiviteit te bieden. LoRa heeft een goede bouwpenetratie, waardoor het ideaal is voor magazijngerelateerde toepassingen. Deze aanpak is rendabel en biedt flexibiliteit voor externe locaties waarvoor eenvoudig verbinding kan worden gemaakt met IoT-apparaten en -sensoren.
Plug en play
In een externe instelling is het essentieel dat apparaten eenvoudig kunnen worden geïmplementeerd zonder gespecialiseerde expertise. myDevices heeft een uitgebreide catalogus met IoT-apparaten en -gateways die kunnen worden toegepast op meerdere scenario's. Ze zijn Plug en Play gecertificeerd, dus alle gebruikers moeten ze op de juiste locatie plaatsen en inschakelen. Met hun IoT Central-integratie kunnen klanten eenvoudig hun dashboard aanpassen om hun apparaatgegevens te gebruiken en waarschuwingen te maken.
Medewerkers
Dit artikel wordt onderhouden door Microsoft. De tekst is oorspronkelijk geschreven door de volgende Inzenders.
Hoofdauteur:
- Ansley Yeo | Technologieleider
Volgende stappen
- IoT in transport en logistiek: hoe Azure kan worden gebruikt om uw waardeketen efficiënter en betrouwbaarder te maken met ioT- en locatieinformatieservices van wereldklasse.
- Architectuur van toepassingssjabloon voor verbonden logistiek in IoT Central: een app-sjabloon en richtlijnen voor het ontwikkelen van end-to-end-oplossingen voor verbonden logistiek.
- Bing Kaarten Vrachtwagenrouterings-API: een commercieel routeringsprogramma dat veilige en efficiënte routes berekent en rekening houdt met de kenmerken van een voertuig met betrekking tot eventuele routebeperkingen.
- Azure Digital Twins - Supply Chain-demo maakt gebruik van Digital Twins om een supply chain-scenario te modelleren.
- myDevices biedt LoRa-connectiviteit en -apparaten waarmee oplossingen snel kunnen worden geïmplementeerd op locaties waar connectiviteit een uitdaging is en brede netwerkdekking nodig is.
- C.H. Robinson Navisphere werkt met Microsoft Azure en Azure IoT om realtime inzicht te bieden in de toeleveringsketen en voor meer voorspelbaarheid en proactieve besluitvorming.
- DE EPA AirNow-API biedt toegang tot realtime luchtkwaliteit en wildfire-gegevens van AirNow, een service die wordt onderhouden door het Amerikaanse Agentschap voor milieubescherming (EPA) en andere federale, stam-, staats- en lokale instanties.
Verwante resources
- Azure IoT-referentiearchitectuur
- Realtime voertuiggegevens verwerken met behulp van IoT: een referentiearchitectuur voor het opnemen van realtime voertuiggegevens voor analyse, inclusief routeoptimalisatie.
- IoT-monitor- en beheerlussen is een ontwerppatroon dat een bewakingssysteem beschrijft dat voortdurend een fysiek systeem bewaakt dat wordt beheerd door een set ioT-apparaten in het netwerk.
- IoT-lussen analyseren en optimaliseren is een ontwerppatroon dat het genereren en toepassen van inzichten in bedrijfsoptimalisatie mogelijk maakt voor fysieke systemen die worden beheerd door software door telemetrie tebronnen, te verfijnen en te combineren met zakelijke gegevensbronnen om inzichten te genereren.
- IoT met behulp van Azure Cosmos DB beschrijft een voorbeeldarchitectuur voor het gebruik van Azure Cosmos DB voor het opnemen van telemetriegegevens van apparaten tegen hoge tarieven en kan geïndexeerde query's met lage latentie en hoge beschikbaarheid verwerken.